事務(wù)間關(guān)聯(lián)規(guī)則挖掘技術(shù)研究.pdf

1、數(shù)據(jù)挖掘(Data Mining)是從存放在數(shù)據(jù)庫(kù)、數(shù)據(jù)倉(cāng)庫(kù)或其他信息庫(kù)中的大量的數(shù)據(jù)中獲取有效的、新穎的、潛在有用的、最終可理解模式的非平凡過(guò)程。而關(guān)聯(lián)規(guī)則挖掘作為數(shù)據(jù)挖掘中的一項(xiàng)根本性任務(wù)，其目標(biāo)是在事務(wù)項(xiàng)目中找出所有的并發(fā)關(guān)系(Co-occurrence Relationships)，這種關(guān)系也被稱(chēng)為關(guān)聯(lián)。
　　 本文對(duì)傳統(tǒng)的事務(wù)間關(guān)聯(lián)規(guī)則算法和現(xiàn)有的負(fù)關(guān)聯(lián)規(guī)則算法進(jìn)行了系統(tǒng)的分析和總結(jié)，在此基礎(chǔ)之上提出了新的算法思想，主

2、要包括下面兩個(gè)方面：
　　 首先，本文提出了以用戶(hù)為研究對(duì)象，通過(guò)對(duì)大量用戶(hù)的行為建立模型，來(lái)推測(cè)與其具有相似性的用戶(hù)的可能行為。提出一種新的雙策略模型，按照用戶(hù)對(duì)網(wǎng)站的興趣度將源數(shù)據(jù)庫(kù)分割成為兩類(lèi)庫(kù)，然后對(duì)其使用馬爾可夫預(yù)測(cè)模型和事務(wù)間關(guān)聯(lián)規(guī)則進(jìn)行興趣度預(yù)測(cè)，將復(fù)雜的源數(shù)據(jù)進(jìn)行修剪，減少了多次重復(fù)掃描數(shù)據(jù)庫(kù)的工作量，同時(shí)也減少了無(wú)用規(guī)則的產(chǎn)生，能更真實(shí)的反映用戶(hù)的興趣趨向，在增大算法精確度的基礎(chǔ)上也有效的提高了算法的執(zhí)行效率。

3、
　　 其次，針對(duì)負(fù)關(guān)聯(lián)規(guī)則挖掘問(wèn)題，總結(jié)現(xiàn)有的挖掘負(fù)規(guī)則規(guī)則的方法，如利用興趣度、相關(guān)性等，并指出其在挖掘負(fù)關(guān)聯(lián)規(guī)則時(shí)仍然存在的不足。提出將相關(guān)系數(shù)和卡方檢驗(yàn)相結(jié)合的方法，修正了單單使用興趣度來(lái)度量相關(guān)性時(shí)產(chǎn)生的歧義，通過(guò)計(jì)算得出的結(jié)果來(lái)確定其是正規(guī)則、弱規(guī)則或者負(fù)規(guī)則，不僅能通過(guò)挖掘規(guī)則來(lái)使我們得到傳統(tǒng)關(guān)聯(lián)規(guī)則挖掘中得不到的潛在信息，還能甄別出傳統(tǒng)關(guān)聯(lián)規(guī)則挖掘中存在的誤導(dǎo)規(guī)則，提高關(guān)聯(lián)規(guī)則的實(shí)用性和適用性。
　　 在